【Hugging Face实战】创建一个情感分析应用

前言

前面介绍了Hugging Face平台及核心API的使用方式，今天尝试在前面预训练模型的基础上搭建 一个情感分析应用，对往期内容感兴趣的小伙伴也可以看往期：

• 【Hugging Face】Hugging Face数据集的基本使用
• 【Hugging Face】Hugging face模型的基本使用
• 【Hugging Face】Hugging Face Transformers的使用方式
• 【Hugging Face】Hugging Face Diffusers的使用方式
• 【Hugging Face实战】创建一个文本生成应用

创建Space应用

首先在Hugging Face上创建一个Gradio模版应用，详细创建流程可以查看之前这篇文章：
【Hugging Face】Hugging Face Space空间的基本使用方式

创建完成后将项目克隆到本地，我们将拥有一个类似的项目结构：

搭建情感分析应用

搭建情感分析应用UI

使用Gradio搭建情感分析应用，提供 分析内容、分析结果、示例 等相关参数配置

def create_interface():
    """
    创建Gradio界面
    """
    with gr.Blocks(title="情感分析应用", theme=gr.themes.Soft()) as demo:
        gr.Markdown("# 🎭 情感分析应用")
        gr.Markdown("输入文本，AI将分析其情感倾向")

        with gr.Row():
            with gr.Column(scale=2):
                # 输入区域
                text_input = gr.Textbox(
                    label="输入要分析的文本",
                    placeholder="请输入您想要分析情感的文本...",
                    lines=4,
                    max_lines=10
                )

                # 按钮
                with gr.Row():
                    analyze_btn = gr.Button("🔍 分析情感", variant="primary")
                    clear_btn = gr.Button("🗑️ 清空", variant="secondary")

            with gr.Column(scale=2):
                # 输出区域
                result_summary = gr.Textbox(
                    label="分析结果",
                    lines=3,
                    interactive=False
                )

                # 情感标签显示
                sentiment_label = gr.Label(
                    label="情感分类",
                )

        # 示例文本
        gr.Markdown("### 📝 示例文本")
        examples = gr.Examples(
            examples=[
                ["这个产品真的很棒，我非常满意！"],
                ["服务态度太差了，完全不推荐"],
                ["还可以吧，没什么特别的感觉"],
                ["质量很好，物流也很快，五星好评！"],
                ["价格太贵了，性价比不高"]
            ],
            inputs=text_input,
            cache_examples=False
        )

    return demo

整体界面布局结构如下：

运行 python man.py 启动服务，在浏览器中打开效果如下

情感分析逻辑实现

加载 模型、分词器 以及 训练的模型参数，注意需要将模型切换到 eval 模式（使用 *.pt 模型需要将模型切换到 eval 模式否则会报错）

import gradio as gr
import torch
import torch.nn as nn
from transformers import BertTokenizer, BertModel
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
names = ['负向', '正向']
# 分词器
tokenizer = BertTokenizer.from_pretrained("bert-base-chinese")
class Model(nn.Module):
    def __init__(self, bert_model):
        super().__init__()
        self.bert = bert_model
        # 全连接，模型输入为768，分类为2
        self.fc = nn.Linear(768, 2)
    #
    def forward(self, input_ids, attention_mask, token_type_ids):
        # 使用预训练模型提取特征, 上游任务不参与训练，锁定权重
        with torch.no_grad():
            # Correctly call the BertModel instance stored in self.bert
            output = self.bert(input_ids, attention_mask, token_type_ids)
        # 下游参与训练，二分类任务，获取最新后的状态
        output = self.fc(output.last_hidden_state[:, 0])
        # softmax激活函数，NV结构，获取特征值dim维度为1
        output = output.softmax(dim=1)
        return output
# 加载预训练模型
bert_model = BertModel.from_pretrained("ckiplab/bert-base-chinese").to(device)
model = Model(bert_model).to(device)
model.load_state_dict(torch.load("/params/1bert.pt"))
# 切换到eval模式
model.eval()
def collate_fn(data):
    sentes = []
    sentes.append(data)
    #编码
    data = tokenizer.batch_encode_plus(
        batch_text_or_text_pairs=sentes,
        truncation=True,
        padding="max_length",
        max_length=350,
        return_tensors="pt",
        return_length=True
    )
    input_ids = data["input_ids"]
    attention_mask = data["attention_mask"]
    token_type_ids = data["token_type_ids"]
    return input_ids, attention_mask, token_type_ids

创建一个函数 analyze_sentiment 用于接收和处理Gradio传递的参数

def analyze_sentiment(text):
    """
    对文本进行情感分析
    """
    input_ids, attention_mask, token_type_ids = collate_fn(text)
    input_ids = input_ids.to(device)
    attention_mask = attention_mask.to(device)
    token_type_ids = token_type_ids.to(device)
    # 上游不参与训练
    with torch.no_grad():
        out = model(input_ids, attention_mask, token_type_ids)
    # 找到每个样本在指定维度上的最大值的索引
    out = out.argmax(dim=1)
    return f"{names[out]}评价", names[out]

为Gradio按钮绑定事件

def create_interface():
    """
    创建Gradio界面
    """
    with gr.Blocks(title="情感分析应用", theme=gr.themes.Soft()) as demo:
        gr.Markdown("# 🎭 情感分析应用")
        gr.Markdown("输入文本，AI将分析其情感倾向")

        with gr.Row():
            with gr.Column(scale=2):
                # 输入区域
                text_input = gr.Textbox(
                    label="输入要分析的文本",
                    placeholder="请输入您想要分析情感的文本...",
                    lines=4,
                    max_lines=10
                )

                # 按钮
                with gr.Row():
                    analyze_btn = gr.Button("🔍 分析情感", variant="primary")
                    clear_btn = gr.Button("🗑️ 清空", variant="secondary")

            with gr.Column(scale=2):
                # 输出区域
                result_summary = gr.Textbox(
                    label="分析结果",
                    lines=3,
                    interactive=False
                )

                # 情感标签显示
                sentiment_label = gr.Label(
                    label="情感分类",
                )

        # 示例文本
        gr.Markdown("### 📝 示例文本")
        examples = gr.Examples(
            examples=[
                ["这个产品真的很棒，我非常满意！"],
                ["服务态度太差了，完全不推荐"],
                ["还可以吧，没什么特别的感觉"],
                ["质量很好，物流也很快，五星好评！"],
                ["价格太贵了，性价比不高"]
            ],
            inputs=text_input,
            outputs=[result_summary, sentiment_label],
            fn=analyze_sentiment,
            cache_examples=False
        )

        # 绑定事件
        analyze_btn.click(
            fn=analyze_sentiment,
            inputs=text_input,
            outputs=[result_summary, sentiment_label]
        )

        clear_btn.click(
            fn=lambda: ("", "", ""),
            outputs=[text_input, result_summary, sentiment_label]
        )

        # 回车键触发分析
        text_input.submit(
            fn=analyze_sentiment,
            inputs=text_input,
            outputs=[result_summary, sentiment_label]
        )

    return demo

重新运行服务，进行测试，该模型只有正向和负向评价，不支持中性评价

在线体验

在线体验地址：huggingface.co/spaces/zhou...

友情提示

见原文：【Hugging Face实战】创建一个情感分析应用

本文同步自微信公众号 "程序员小溪" ，这里只是同步，想看及时消息请移步我的公众号，不定时更新我的学习经验。